人体异常行为识别是对监控范围内的人体行为进行分析，将其与预先设定的异常行为进行匹配，如果行为匹配，则判定为异常行为并自动报警。传统的监控系统的功能单一，主要依靠监控人员人为操作来监控短而随机的突发和异常事件，要求监控人员持续地监视屏幕，不仅需要大量的监控人员，而且容易因为监控人员的松懈、监控点较多无法做到实时完整监控而导致漏警，造成不可估量的损失。研究内容包括：首先，以背景减除法为基础，对混合高斯模型进行改进并将其作为背景模型。对混合高斯模型参数均值和方差采用不同的学习率，用以提高混合高斯模型背景提取的准确程度。将马尔可夫随机场理论引入前景分割中，以此提高前景分割精度，并提出一种方法使得人体运动静止时也能够有效检测。针对HSV颜色空间在阴影检测方面的优越性，结合上面的检测方法，提出一种能够准确快速消除阴影的方法；其次，为了能够实时自动跟踪并且不受相互遮挡的影响，将Mean shift算法和Kalman滤波算法进行融合，提出新的算法，预先获得人体运动信息，并实现快速搜索；最后，提出一种特征提取方法，使用HMM进行训练和分类，用以识别人体异常行为。通过对所提出的方法进行实验验证，确定该方法可以有效的识别晕倒、砸车等人体异常行为。